这篇于2026年6月15日提交至arXiv的论文（编号2606.17180，分类为机器学习cs.LG）由Rodrigo S. Luna等共11位作者完成，题为《迈向复杂地质构造中CO2运移的快速GNN代理模型》。研究聚焦于一个具有现实意义的难题：如何利用数据驱动的机器学习方法，在复杂地质构造中重现多相流物理行为的关键特征，从而为CO2地质封存中的羽流运移预测提供快速而可靠的替代模型。
作者提出了一种端到端的图神经网络代理模型，专门面向地质封存场景下的CO2羽流运移预测。与传统数值模拟相比，此类代理模型的目标是在保持物理合理性的同时显著降低计算成本，使大规模、长时程的封存监测与风险评估成为可能。
在评估方面，该方法选取了SPE11A基准作为测试平台。这是业界广泛认可的CO2封存场景评测用例，其显著特征包括尖锐的气水界面、强烈的对流输运，以及伴随指进现象发展的快速对流混合。这些特征对预测模型提出了很高要求，因为界面锐利与指进发育往往意味着数值与建模上的双重困难。
为适配图神经网络，研究将基准问题重新表述为图结构：节点对应计算网格单元，边则编码基于传导率的相互作用，并附加几何属性信息。这样一来，网格几何、渗透率差异与地质非均质性所导致的方向性输运便能在图结构中得到表达。
模型的核心机制是各向异性的消息传递。具体而言，交互权重通过以几何为条件的边嵌入计算得出，使消息聚合过程偏向物理上更相关的输运方向。这一设计使网络能够捕捉由网格几何、渗透率对比和地质非均质性共同塑造的方向性流动，而不是将各方向视为等同。
在时间演化建模上，作者在潜空间中采用自回归残差形式，并通过多步监督进行训练。这种安排有助于模型在较长的预测时域内保持稳定，避免单步预测常见的误差累积问题。
实验结果显示，该模型能够对气体饱和度和液相密度给出具有竞争力的预测；这两项指标正是CO2封存监测中的关键指示量。作者指出，在延长预测时域的情况下，累积误差仍保持在中等水平，说明模型在长时程预测上具备一定鲁棒性。
整体而言，该工作展示了图神经网络作为多相流快速代理模型的潜力，并为CO2地质封存中的羽流运移预报提供了一条兼顾物理先验与数据驱动能力的路径。论文以PDF、实验性HTML及TeX源码形式公开，并附有DOI（https://doi.org/10.48550/arXiv.2606.17180）。